基于反向传播神经网络模型优化冶金废水单级脱氮试验研究

郑小发，杨 丽，刁 月，王秀模

(重庆机电职业技术大学，重庆 402760)

生物废水处理高度依赖于各种微生物之间复杂的生物化学反应[10]，通过控制生物反应影响因素可提高处理效率，但基本控制因素及具有稳定处理效率的优化参数尚未明确。目前，用于废水处理过程控制和参数优化的常规建模方法主要基于单因素/正交试验和物理-数学机制[11-13]。大多数现有模型(物理-数学模型)，包括厌氧消化模型(ADM1)、活性污泥模型(ASM1，ASM2)都是基于过程动力学和传质学[14]；而当反应器、废水或微生物工作环境发生变化时，这些模型都需要重新校准[15]。影响废水中主要污染物质去除的因素主要有流体参数、微生物群落特性及反应器操作条件[16]。利用全面自适应模型，如机器学习和数据驱动模型，结合数学工具(如artificial neural network，ANN)和方差多变量逐步聚类分析[17]对生物过程进行建模，可以大大减少复杂生物过程建模中所面临的挑战。虽然ANN已用于需氧、厌氧系统和其他各种复杂的网络应用模式识别，但ANN和试验设计响应面法(response surface methodology，RSM)都还需进一步研究。

试验提出优化2种反向传播神经网络模型，开发并应用网络连接时间模型，用上流污泥床(upflow-sludge-bed，USB)反应器经由SNAP工艺处理富氮废水去除其中的铵和总氮。ANN模型中，以主成分分析为基础，选取一些参数作为输入变量，通过优化隐层神经元数目建立优化的ANN结构，采用基准比较和多重非线性回归(multiple nonlinear regression，MNR)模型的Box-Behnken设计模型的自适应值(初始值)和权重/偏差值(初始值)，预测所提出模型的效率，利用16S rRNA高通量基因测序微生物群落序列，评价USB-SNAP过程中的生物脱氮途径和效率。

1 试验部分

1.1 废水及试剂

微量元素溶液(Ⅰ)(g/L)：EDTA 5，FeSO40.006 25；

微量元素溶液(Ⅱ)(g/L)：EDTA 15，H3BO40.014；ZnSO4·7H2O 0.43，CuSO4·5H2O 0.25，NiCl2·6H2O 0.19， MnCl2·4H2O 0.99，CoCl2·6H2O 0.24，NaMoO4·2H2O 0.22。

混合液悬浮固体溶液、混合液挥发性悬浮固体溶液采自市政污水处理厂；试验用水为实验室自制纯水。

1.2 试验装置与仪器

蠕动泵(英国BT10032J Langer Instruments)，分光光度计(日本岛津制作所，UV-1800 UV-VIS)，精密离子计(郑州南北仪器设备有限公司，PXS450)，在线溶解氧探针(INESA：JPB-607A型)，Illumina Miseq测序平台(上海桑根生物科技有限公司)。

1.3 分析方法

USB反应器的有效工作量和总工作量分别为0.9 L和1.1 L，顶部空间装配一个三相分离装置，可以促进操作过程中生物质、液体和气体的分离。从市政污水处理厂获得MLSS(混合液悬浮固体)和MLVSS(混合液挥发性悬浮固体)用于激活USB。采用热水浴使USB热敏电阻和数字温度控制器在温度32±1 ℃下运行，随后用不透明材料覆盖反应器，避免光渗透和微生物群落中的光养细菌生长[21]。蠕动泵用于将废水输送到反应器中，反应器运行阶段分别是阶段Ⅰ、阶段Ⅱ和阶段Ⅲ，水力停留时间(HRT)分别为36、24、18 h，氨负荷率(NLR)分别为120、170、220 g/(m3·d)。

采用分光光度计在420 nm波长处测定水样中的铵离子质量浓度，在540 nm和220 nm处分别测定亚硝酸盐和硝酸盐质量浓度；用精密离子计和在线溶解氧探针分别测定pH和溶解氧水平。

1.4 高通量测序

对USB 3个操作阶段结束时获得的污泥进行微生物群落调查，以确定USB内的各种反应。分离DNA后，用琼脂糖凝胶电泳和基因组对DNA进行定量聚合酶链反应，随后在Illumina Miseq测序平台进行DNA(仅质量DNA)测序[22]，对序列进行聚类分析。

1.5 ANN架构说明

采用MATLAB软件2017 B版开发3层(输入、隐藏和输出层)反向传播训练算法ANN模型。ANN模型如图1所示。图1表示第i个权重输入和第j个隐藏神经元，输入层神经元数量，隐藏神经元和输出神经元权重。

图1 ANN模型示意

1.6 ANN训练算法和网络拓扑的优化

影响SNAP工艺性能的变量主要通过分析主成分进行选择，通过将所有相关变量转换为不相关变量来执行主成分分析。通过基准比较，选择用于构建有效的ANN架构的训练算法。选择MATLAB平台训练算法，对每种训练算法，在隐藏层分配2～18个神经元，并记录和比较最小均方差[23]。每种训练算法都是在隐藏层指定2个神经元情况下启动，然后逐步增加至估计出最小均方差(MSE)。通过将整个数据集随机分为3个子集，即训练(70%)、验证(15%)和测试集(15%)进行检查，随后采用训练子集来评估梯度及形成权重因子和偏差。训练集开始学习数据集之后采用验证集。从验证集获得的误差被连续用于监视训练过程，基于3级因子完成Box-Behnken设计[24-25]。

2 试验结果与讨论

2.1 USB脱氮效率与微生物群落演替

去除率；b—总氮去除率；c—氮氧化物。图2 USB内的脱氮效率

2.2 ANN模型的优化

2.2.1 基于基准比较的最优训练函数识别

2.2.2 基于ANN模型的性能评估

图3 基于ANN的去除模型

图4 基于ANN的总氮去除模型

ANN模型能够学习输入和输出变量之间的复杂和非线性相互关系，而不需要复杂的状态方程和动力学变量[27]，所以，通过模拟和预测，利用基于ANN的模型对污水生物处理工艺进行优化和控制是可行的。此外，本研究也说明ANN可以用来评估遮蔽函数并进行近似估计，这表明ANN有能力处理非常复杂的数据，尤其在需要主观判断的领域更具有广阔应用前景。

3 结论